IMPLEMENTASI HYBRID CONTENT-BASED FILTERING DENGAN MEKANISME POPULARITY DEBIASING UNTUK SISTEM REKOMENDASI PRODUK E-COMMERCE

Perkembangan platform e-commerce menyebabkan jumlah produk yang semakin banyak sehingga pengguna mengalami information overload dalam menemukan produk yang sesuai. Salah satu solusi yang digunakan adalah sistem rekomendasi berbasis Content-Based Filtering (CBF), namun metode ini masih menghadapi permasalahan popularity bias, yaitu kecenderungan merekomendasikan produk populer dibandingkan produk long-tail. Penelitian ini bertujuan menganalisis tingkat popularity bias pada Pure Content-Based Filtering serta mengevaluasi efektivitas Hybrid Content-Based Filtering dengan mekanisme Inverse Popularity Weighting. Penelitian menggunakan dataset Amazon Reviews 2023 kategori Toys and Games. Representasi produk dibangun menggunakan TF IDF dan Cosine Similarity, sedangkan evaluasi dilakukan secara offline menggunakan protokol last-out dengan metrik akurasi dan beyond-accuracy. Hasil penelitian menunjukkan bahwa model Hybrid Content-Based Filtering mampu meningkatkan Long-tail Coverage@10 sebesar 101,5% dan menurunkan Average Popularity@10 sebesar 82,8% dibandingkan Pure Content-Based Filtering, meskipun terjadi penurunan pada metrik akurasi. Selain itu, model berhasil diimplementasikan dalam simulasi sistem rekomendasi berbasis web sehingga menunjukkan potensi penerapan pada platform e-commerce.

Kata Kunci: Sistem Rekomendasi, Content-Based Filtering, Popularity Bias, Long-tail, TF-IDF.